Apprentissage automatique

Mar 28, 2024

Rapports scientifiques volume 13, Numéro d'article : 12590 (2023) Citer cet article

159 Accès

Détails des métriques

Dans cette étude, nous présentons nos résultats en enquêtant sur l'utilisation d'une technique d'apprentissage automatique (ML) pour améliorer les performances des antennes Quasi-Yagi – Uda fonctionnant dans la bande n78 pour les applications 5G. Cette étude de recherche examine plusieurs techniques, telles que la simulation, la mesure et un modèle de circuit équivalent RLC, pour évaluer les performances d'une antenne. Dans cette enquête, les outils de modélisation CST sont utilisés pour développer une antenne Yagi-Uda à gain élevé et à faible perte de retour pour le système de communication 5G. Lorsque l'on considère la fréquence de fonctionnement de l'antenne, ses dimensions sont \({0,642}\lambda _0\times {0,583}\lambda _0\). L'antenne a une fréquence de fonctionnement de 3,5 GHz, une perte de réflexion de \(-43,45\) dB, une bande passante de 520 MHz, un gain maximum de 6,57 dB et un rendement de près de 97 %. Les outils d'analyse d'impédance des outils de simulation et de conception de circuits de CST Studio dans le logiciel Agilent ADS sont utilisés pour dériver le circuit équivalent (RLC) de l'antenne. Nous utilisons la méthode ML de régression supervisée pour créer une prédiction précise de la fréquence et du gain de l'antenne. Les modèles d'apprentissage automatique peuvent être évalués à l'aide de diverses mesures, notamment le score de variance, le R carré, l'erreur quadratique moyenne, l'erreur absolue moyenne, l'erreur quadratique moyenne et l'erreur logarithmique quadratique moyenne. Parmi les neuf modèles ML, le résultat de prédiction de la régression linéaire est supérieur à celui des autres modèles ML pour la prédiction de la fréquence de résonance, et la régression du processus gaussien montre des performances extraordinaires pour la prédiction du gain. Le score R-carré et var représente la précision de la prédiction, qui est proche de 99 % pour la prédiction de fréquence et de gain. Compte tenu de ces facteurs, l’antenne peut être considérée comme un excellent choix pour la bande n78 d’un système de communication 5G.

De nos jours, pour répondre aux défis croissants des communications en termes de taille, de bande passante et de gain, la demande de nouveaux systèmes à micro-ondes et à ondes millimétriques a augmenté. En conséquence, les antennes sont fréquemment utilisées pour répondre aux exigences des communications par satellite. Différentes applications de communication par satellite sont disponibles dans différentes gammes de fréquences1. Les enquêteurs tentent constamment d’améliorer la bande passante et le gain des antennes. Ces dernières années, la technologie s'est développée très rapidement et les pays développés comme les pays en développement utilisent désormais les communications sans fil à un niveau extrêmement élevé2. Les dernières décennies ont vu l’adoption généralisée de nombreuses générations de normes de communication sans fil, telles que 1G, 2G, 3G, 4G, 5G, etc.3,4,5. La cinquième génération de technologie cellulaire (5G), qui offre une vitesse de transmission des données en Gigabits/sec (Gbps), élimine pratiquement les inconvénients de la technologie antérieure. Plus encore, la 5G permet des applications IoT à faible consommation, qui se développent rapidement6,7. Bande de fréquences clé pour le déploiement de la 5G, la gamme inférieure à 6 GHz (de 2 à 6 GHz) devrait offrir une bonne stabilité entre couverture et capacité, notamment dans les bandes N77, N78 et N798.

Shintaro Uda et Hidetsugu Yagi sont les inventeurs de l'antenne Yagi, également connue sous le nom d'antenne Yagi-Uda. Cette antenne est directionnelle et construite avec un dipôle et un tas d'éléments parasites. Les éléments parasites sont un réflecteur placé derrière le dipôle et plusieurs directeurs placés devant l'élément dipolaire, ce qui peut améliorer les propriétés de rayonnement. Il a un rayonnement directionnel car il concentre son signal dans une seule direction, ce qui le rend moins sensible aux interférences provenant d'autres émetteurs9. De nombreuses raisons expliquent l'utilisation généralisée de l'antenne Yagi Uda, notamment son faible prix, son gain substantiel et sa construction simple. Alors que les téléviseurs ont été les principaux utilisateurs de cette antenne dans les premiers jours qui ont suivi son invention, ces dispositifs sont désormais utilisés dans des secteurs aussi divers que les radars, l'identification par radiofréquence, les communications par satellite, etc.10. In11, des antennes microruban Yagi-Uda ont été construites avec des fréquences de résonance proches de 900 MHz, une hauteur de substrat de 1,575 mm, une impédance caractéristique de 50 ohms et une épaisseur de conducteur en bande de 35 \(\mu\) m à l'aide d'un RT Duroid 5880. matériel. Des circuits microruban sont utilisés pour mettre en œuvre les antennes Yagi Uda, permettant aux antennes d'être petites et discrètes. Une version à 5 éléments de l'antenne Yagi-Uda a été développée en12 à l'aide du logiciel de simulation FEKO. La fréquence centrale de l'antenne est de 500 MHz, ce qui peut fonctionner avec des signaux dans la plage de 450 à 550 MHz, et le gain d'antenne le plus élevé est de 6,7 dB. Dans13, de nombreuses antennes Quasi Yagi sont examinées sur la base de méthodologies d'alimentation. Certains auteurs ont signalé des gains de 14 à 17 dB pour l'antenne Yagi-Uda en augmentant le nombre de directeurs. Le défaut fondamental de l'antenne Yagi-Uda est sa bande passante étroite10,13. Des simulations électromagnétiques pleine onde 3D d'un géoradar (GPR) sont utilisées pour la caractérisation des objets enfouis basées sur l'intelligence artificielle. Ce travail a développé une approche de modélisation de substitution basée sur des données rapide et précise pour la caractérisation des objets enfouis, une méthode de construction de modèle de substitution efficace sur le plan informatique utilisant de petits ensembles de données de formation et une nouvelle méthode d'apprentissage en profondeur, le modèle de régression temps-fréquence (TFRM), qui utilise un signal brut. sans prétraitement pour obtenir des performances d’estimation compétitives. La méthode donnée surpasse le perceptron multicouche (MLP), le processus gaussien (GP), la machine de régression vectorielle de support (SVRM) et la régression de réseau neuronal convolutif (CNN). Les auteurs sont indiqués dans15, les antennes reconfigurables en fréquence ont leur propre approche de modélisation de substitution généralisable. La technique post-traite les données discrètes de simulation CAO vers un modèle de substitution. Ensuite, une antenne UWB reconfigurable avec une bande notch accordable montre que la modélisation de substitution est pratique, efficace et précise. Le modèle de substitution proposé est un bon concurrent pour la norme d'interface reconfigurable de traitement du signal d'antenne d'un système radio cognitif. Les composants micro-ondes miniaturisés sont généralement conçus à l’aide de simulations électromagnétiques (EM) pleine onde16. Les procédures assistées par substitution utilisent des métamodèles rapides basés sur des données pour remplacer les simulations EM coûteuses. Des études de vérification pour trois composants microruban montrent que l'approche suggérée surpasse les approches axées sur les performances et les processus de modélisation standard en termes de précision de fabrication de substitution et de coût de calcul. Dans17, les auteurs discutent des conceptions de filtres micro-ondes assistés par substitution utilisant différentes fonctions objectives de conception. La modélisation de substitution (apprentissage automatique) et les algorithmes d'optimisation avancés sont examinés pour la conception de filtres. Les trois méthodes de conception de filtres de base sont : l'échantillonnage intelligent des données, la modélisation de substitution avancée et les cadres d'optimisation avancés. Ils doivent être personnalisés ou mélangés pour correspondre aux paramètres du filtre micro-ondes pour garantir le succès et la stabilité. Enfin, les applications et tendances émergentes en matière de conception de filtres sont examinées. Le chercheur a utilisé une modélisation de substitution pour concevoir et optimiser les antennes MIMO18. Microwave Studio et l’analyseur numérique MATLAB optimisent automatiquement. L'optimisation superficielle du réseau neuronal est utilisée pour identifier les meilleures solutions TARC, S11 et S12. Une antenne MIMO ultra-large bande de 3,1 à 10,6 GHz est construite et optimisée pour tester l'approche suggérée. Les antennes sont difficiles à concevoir et à entretenir sans l’utilisation de technologies d’apprentissage automatique. Sans apprentissage automatique, la conception des antennes s’accélère trop lentement. Sans ML, il est difficile de limiter les erreurs et de maintenir une productivité élevée. Ne pas avoir le coup de main pour la réduction de la simulation ML tout en maintenant la faisabilité du travail et le calcul du comportement de l'antenne est une tâche difficile19. L'apprentissage automatique remplace les essais et erreurs dans les simulations de métamatériaux en prédisant les paramètres de conception à l'aide d'un ou plusieurs modèles d'apprentissage automatique correctement conçus. Deux choses affectent la précision des prédictions. principalement la taille de l’ensemble de données. De plus, le modèle d’apprentissage automatique de formation20. Une approche d’ensemble de matériaux dérivée de l’antenne estime la bande passante et le gain de l’antenne21. Cet article compare la méthode présentée à SVM, Random Forest, K-Neighbours Regressor et Decision Tree Regressor. La technique d’optimisation dynamique adaptative des baleines guidées par rose polaire optimise les caractéristiques du modèle d’ensemble. Le modèle suggéré prédit la bande passante de l’antenne et les rendements de gain mieux que les autres dans une étude de régression. Sur la base des spécifications de l'antenne, des techniques d'apprentissage automatique peuvent prévoir le coefficient de réflexion (S11). Ainsi, cela peut empêcher la boucle d’optimisation par essais et erreurs. Cette recherche22 a utilisé les algorithmes Decision Tree, Random Forest, XGBoost Regression, KNN et ANN. Étant donné que l'ensemble de données de simulation est non linéaire, ces algorithmes ont été choisis pour effectuer une régression pour les données non linéaires. Après simulation d'antenne à l'aide de HFSS, cette recherche obtient la fréquence de résonance, la longueur, la largeur et l'épaisseur de la fente en forme de L. Différents algorithmes ML prédisent les valeurs. La précision de la prédiction est mesurée par le score R-carré et l'erreur quadratique moyenne (MSE) pour les coefficients de réflectance simulés et prédits (S11). Une antenne Yagi-Uda utilisant un réseau de neurones artificiels (ANN) pour prévoir le gain de l'antenne et le temps de formation est proposée dans23. Dans23, seul MSE a été utilisé comme mesure de précision de prédiction, tandis que les scores MAE, MSLE, RMSLE, MAPE, RMSE, R-Square et Var ont été ignorés. De plus, les résultats de prédiction du modèle ANN suggéré n'ont pas été comparés à ceux des autres modèles ML actuels. Dans une autre étude24, les auteurs ont étudié l'une des principales formes de communication de l'IoT, la rétrodiffusion ambiante, et ont suggéré une stratégie de conception d'antennes basée sur l'apprentissage automatique pour la protection de la couche physique. Pour déterminer le degré d’inexactitude de cette étude, les chercheurs n’ont pas calculé le pourcentage d’erreur exprimé en MSE, MAE ou RMSE. De plus, le score de variance n'a pas été quantifié dans la majorité des articles précédents sur la conception d'antennes basées sur ML.